我想知道是否有人知道该build()函数tf.keras.layers.Layer在幕后的类中是如何工作的。根据文档：
当您知道输入张量的形状并可以完成其余的初始化工作时，将调用 build
所以对我来说，这门课的行为似乎与此类似：
class MyDenseLayer:
def __init__(self, num_outputs):
self.num_outputs = num_outputs
def build(self, input_shape):
self.kernel = self.add_weight("kernel",
shape=[int(input_shape[-1]), self.num_outputs])
def __call__(self, input):
self.build(input.shape) ## build is called here when input shape is known
return tf.matmul(input, self.kernel)
我无法想象build()会被永远调用__call__，但它是唯一传入输入的地方。有谁知道这到底是如何工作的？
我有一个关于使用 tf.Dataset 使用批处理、重复和随机播放的问题。
我不清楚如何使用重复和随机播放。据我所知，.batch将决定许多训练实例将如何进行随机梯度下降，的用途.repeat和.shuffle仍然不清晰。
第一个问题
即使在查看here和here 之后，.repeat也用于在tf.errors.OutOfRangeError抛出a 后重复数据集。因此，在我的代码中，这是否意味着我不再需要实现：
try:
while True:
_ = sess.run(self.optimizer)
except tf.errors.OutOfRangeError:
pass
因为.repeat一旦数据集耗尽会自动重复数据集？什么时候停止？或者它永远不会停止，一旦经过一定数量的批次（例如 1000），您就必须退出 while True 循环？
第二个问题
其次，使用.shuffle对我来说没有意义。是否.shuffle.batch()意味着我有，比方说，10万个样本，把1000随机在一个缓冲区.shuffle，再批量说，他们的100 .batch()。根据我的理解，下一批将使用这些样本中的 999 个，并在缓冲区中放置 1 个新样本。那么如果我的样品对它们没有顺序，那么.shuffle应该一起避免吗？如果.batch使用，它仍然会从缓冲区中的 999+1 中批处理 100？
第三个问题
最后，如果我使用单独的td.dataset对象进行测试，.shuffle.batch()我应该考虑什么顺序？现在我使用：
sess.run(self.test_init)
try:
while True:
accuracy_batch = sess.run(self.accuracy)
except tf.errors.OutOfRangeError:
pass
和：
test_data = self.test_dataset.shuffle(self.batch_size).batch(self.batch_size)
我有超过 …
我正在考虑为时间序列 LSTM 模型创建管道。我有两个输入提要，我们称它们为series1和series2。
我tf.data通过调用来初始化对象from.tensor.slices：
ds = tf.data.Dataset.from_tensor_slices((series1, series2))
我将它们进一步批处理到设定窗口大小的窗口中，并在窗口之间移动 1：
ds = ds.window(window_size + 1, shift=1, drop_remainder=True)
此时我想尝试一下它们是如何批处理在一起的。我想生成如下所示的特定输入作为示例：
series1 = [1, 2, 3, 4, 5]
series2 = [100, 200, 300, 400, 500]
batch 1: [1, 2, 100, 200]
batch 2: [2, 3, 200, 300]
batch 3: [3, 4, 300, 400]
因此，每个批次将返回Series1的两个元素，然后返回Series2的两个元素。此代码片段无法单独批处理它们：
ds = ds.map(lambda s1, s2: (s1.batch(window_size + 1), s2.batch(window_size + 1))
因为它返回数据集对象的两个映射。由于它们是对象，因此它们不可订阅，因此这也不起作用：
ds = ds.map(lambda s1, s2: (s1[:2], s2[:2])) …